PR-NET：利用通路精炼网络结构进行前列腺癌患者病情预测
机器学习
2024-03-13 v2 定量方法
摘要
去势抵抗性前列腺癌（CRPC）的诊断和监测对癌症患者至关重要，但当前模型（如P-NET）在参数量、泛化能力和成本方面存在局限性。为了解决这个问题，我们开发了一个更准确、更高效的前列腺癌患者病情预测模型，命名为PR-NET。通过压缩和优化P-NET的网络结构，在保持高准确性和可解释性的同时降低了模型复杂度。PR-NET在预测前列腺癌患者结果方面表现出卓越的性能，以显著优势超越了P-NET和其他六种传统模型。在我们严格的评估中，PR-NET不仅在已知数据上取得了令人印象深刻的平均AUC和Recall分数（分别为0.94和0.83），而且在五个未知数据集上保持了稳健的泛化能力，其平均AUC和Recall分别为0.73和0.72，而P-NET分别为0.68和0.5。PR-NET的效率体现在其更短的平均训练和推理时间上，其基因水平分析揭示了46个关键基因，证明了其在识别前列腺癌关键生物标志物方面增强的预测能力和效率。未来的研究可以进一步扩展其应用领域，并优化模型的性能和可靠性。
引用
@article{arxiv.2403.05818,
title = {PR-NET: Leveraging Pathway Refined Network Structures for Prostate Cancer Patient Condition Prediction},
author = {R. Li and J. Liu and X. L. Deng and X. Liu and J. C. Guo and W. Y. Wu and L. Yang},
journal= {arXiv preprint arXiv:2403.05818},
year = {2024}
}